데이터샤우츠
[2026-04-01 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 본문
📖 Information Systems Frontiers - 1건
The Paradox of Friendship as a Dual-role Trust Model for Social Media Influencers
본 연구는 소셜미디어가 이중의 사회-상업 생태계로 진화하면서 팔로워들이 소셜미디어 인플루언서를 친구와 마케터라는 이중 역할로 평가하는 현상을 체계적으로 탐구했다. 기존 선행연구들이 신뢰를 팔로워의 단순한 전체적 평가로만 간주했고 인플루언서가 수행하는 다양한 역할을 고려하지 않았던 한계를 극복하기 위해 이중역할 신뢰 모델을 이론적으로 개발했다. 더욱이 선행연구에서 간과되어 온 지각된 우정이 신뢰 메커니즘에 역설적인 긍정 및 부정의 조절 효과를 동시에 미치는지를 실증적으로 검증했다. 연구진은 부분최소제곱 구조방정식모델링(PLS-SEM)과 SmartPLS 소프트웨어를 활용하여 제시한 가설들을 엄격하게 검증했다. 분석 결과는 이중역할 간 신뢰의 이전 현상이 실제로 발생하며, 지각된 우정이 이중역할 기반 신뢰 메커니즘에서 상호보완적 효과와 대체적 효과를 동시에 나타냈음을 확인했다. 이러한 발견은 플랫폼 설계자들이 시스템과 설정을 구분하여 서로 다른 역할의 공존을 촉진해야 하며, 인플루언서들이 관계 데이터를 추적하고 팔로워를 계층별로 분류하여 상황에 맞는 적절한 상호작용을 전개할 필요가 있음을 시사했다.
📖 Journal of Service Research - 1건
Service-Dominant Logic in the AI Era
본 논문은 인공지능을 계산 기계의 속성으로만 이해하는 협소한 관점을 비판하고, 서비스 우위론(S-D Logic) 관점에서 인공지능을 적응형 자기조직화 서비스 생태계의 창발적 성질로 재개념화하였다. 연구진은 마케팅 및 서비스 학문 분야에서 AI 기술이 인간과 비인간 행위자 간의 상호작용을 통해 공동 구성되는 관계론적 차원을 강조함으로써 기존의 기계론적 틀을 넘어서는 필요성을 제시하였다. 핵심 결과로서 적응과 지능을 생성적 이중성으로 개념화했는데, 적응은 서비스 생태계 내에서 일어나는 조정 행위를 의미하며, 지능은 피드백, 학습, 제도적 공진화를 통해 이러한 조정을 가능하게 하는 체계적 역량임을 보였다. 이러한 관점은 S-D 로직의 관계론적 기초를 강화하면서도, 인공지능이 기존의 창발적 관계 과정을 방해하기보다는 오히려 실증하고 강화하는 것으로 보여줌으로써 AI 시대 서비스 생태계의 가치 창출 메커니즘을 이해하는 데 새로운 이론적 틀을 제공하였다.
📖 EPJ Data Science - 1건
Cross-scale overlapping community hiding via constrained graph adversarial training
본 연구는 중복 커뮤니티 감지 알고리즘으로 인한 사용자의 사회적 관계 노출이라는 프라이버시 문제를 해결하고자 하였다. 기존의 커뮤니티 숨김 방법들이 중복 커뮤니티의 본질적 특성을 간과하고 단일 스케일만을 지원하며 해석 가능성이 부족한 한계를 극복하기 위해, 저자들은 제약 조건이 있는 그래프 적대적 훈련에 기반한 새로운 중복 커뮤니티 숨김 프레임워크를 제안하였다. 이 방법은 훈련 가능한 레이어와 마스킹 메커니즘을 적대적 훈련 과정에 통합하여 다중 스케일의 커뮤니티 숨김을 효과적으로 달성하도록 하였다. 또한 SAG-NE라는 새로운 제약 전략을 도입하여 같은 커뮤니티 내의 노드 표현과 대칭 근사 그래디언트를 명시적으로 제약함으로써 피처 공간과 그래디언트 공간 모두에서 노드의 분산을 증가시켰다. 실험 결과는 제안된 프레임워크가 전역 커뮤니티 숨김, 목표 커뮤니티 숨김, 노드 숨김 등 세 가지 스케일 모두에 적용 가능하며, 다양한 실제 및 합성 데이터셋에서 견고한 프라이버시 보호 성능을 보임을 입증하였다. 이는 기존 감지 알고리즘이 실제 커뮤니티 구조를 파악하기 훨씬 더 어렵게 만들며, 동시에 숨김 과정의 해석 가능성을 대폭 향상시킴으로써 프라이버시 보호와 투명성의 균형을 이룬 통합 솔루션을 제시하였다.
📖 IEEE Transactions on Big Data - 2건
NTFormer: A Composite Node Tokenized Graph Transformer for Node Classification
본 연구는 그래프 기반 노드 분류 문제를 해결하기 위해 NTFormer이라는 새로운 그래프 트랜스포머를 제안했다. 기존 토큰 기반 그래프 트랜스포머들은 단일 유형의 토큰(노드 또는 네이버후드)만 사용하여 그래프의 부분적 정보만 표현하는 한계가 있었다. 이를 극복하기 위해 저자들은 Node2Par라는 혁신적인 토큰 생성기를 제안했으며, 이는 네이버후드 기반과 노드 기반의 두 가지 토큰을 위상 관점과 속성 관점의 두 가지 뷰에서 독립적으로 생성하여 각 노드마다 4가지 종류의 토큰 시퀀스를 구성했다. NTFormer는 이렇게 생성된 다양한 토큰 시퀀스들을 표준 트랜스포머 레이어와 적응형 특성 융합 모듈을 통해 처리하여 최종 노드 표현을 학습했다. 연구팀은 논문, 상품, 사회 관계, 웹 페이지 등 다양한 출처에서 수집한 12개의 벤치마크 데이터셋에 대해 광범위한 실험을 수행했으며, 호모필리 그래프와 헤테로필리 그래프 모두에서 기존의 그래프 신경망 및 그래프 트랜스포머들을 일관되게 능가하는 우수한 성능을 달성했다. 이러한 결과는 포괄적인 토큰 시퀀스 구성을 통해 그래프의 복잡한 특징을 충분히 표현하면 표준 트랜스포머만으로도 우수한 노드 표현 학습이 가능함을 입증했으며, 다양한 특성을 가진 그래프 데이터에 대한 강력한 적응성을 보여주었다.
A High-Throughput Method for Fabric in Scenarios With Multiple Aborted Transactions
이 논문은 허이퍼레저 패브릭에서 발생하는 다수의 거래 중단 문제를 해결하기 위해 제시된 패브릭* 시스템에 관한 연구이다. 기존 패브릭은 시뮬레이션, 순서화, 검증 단계에서 읽기-쓰기 충돌로 인한 거래 중단이 빈번하게 발생하여 시스템 처리량이 심각하게 감소하였다. 연구자들은 이 문제를 해결하기 위해 거래 재순서화 메커니즘, 캐시 큐 메커니즘, 잠금 없는 메커니즘 등 세 가지 최적화 기법을 제안하였다. 거래 재순서화 메커니즘은 순서화 단계에서 쓰기 집합의 키 개수에 따라 거래를 정렬하고 해시 테이블을 이용하여 읽기-쓰기 충돌을 조기에 감지하여 중단한다. 캐시 큐 메커니즘은 충돌한 거래를 임시로 저장하였다가 충돌 블록이 커밋된 후 재제출함으로써 재충돌을 방지한다. 잠금 없는 메커니즘은 버전 번호 확인을 통해 시뮬레이션 단계에서 오래된 데이터를 읽는 거래를 조기에 중단한다. 패브릭 v2.2를 기반으로 구현된 실험 결과, 패브릭*은 원본 패브릭 대비 약 23.9%, 패브릭++ 대비 약 7.4%의 처리량 개선을 달성하였다. 이러한 성과는 금융 결제, 공급망 관리 등 높은 거래량을 요구하는 실제 엔터프라이즈 애플리케이션 환경에서 패브릭의 실용성을 크게 향상시켰다는 점에서 학술적 의의가 있다.
📖 Scientific Data - 2건
A near telomere-to-telomere genome assembly of Pterocryptis cochinchinensis
본 연구는 동남아시아와 중국 남부에 분포하는 민물 메기인 Pterocryptis cochinchinensis의 게놈 구조를 밝히기 위해 완전한 텔로미어-텔로미어 게놈 어셈블리를 생성하였다. 연구팀은 MGI 단편 읽기 40.6Gb, PacBio HiFi 읽기 51.9Gb, Oxford Nanopore 초장거리 읽기 15.0Gb, Hi-C 데이터 88.8Gb를 통합하여 931.7Mb 규모의 고품질 게놈 어셈블리를 완성하였다. 최종 게놈은 31.4Mb의 contig N50 값을 보였으며 28개 염색체로 고정되었고, 반복수열이 전체 게놈의 46.9%를 차지하는 것으로 나타났다. 단백질 코딩 유전자는 31,353개가 주석 달아졌으며, BUSCO 평가를 통해 게놈 완전성이 96.7%로 확인되어 매우 높은 품질의 참조 게놈임을 입증하였다. 이 고해상도 게놈 자원은 Pterocryptis 속 내 보존 유전학, 양식 개선, 비교 게놈학 연구에 활용될 수 있으며, 민물 어류 생물자원의 생물 다양성 보전과 지속 가능한 이용에 크게 기여할 것으로 예상된다.
Wealth Composition, Distribution, and Transmission: The Graduate Center Wealth Project Data Warehouse
본 연구는 Graduate Center Wealth Project 데이터 웨어하우스를 소개하며, 개인 부의 구성, 분배, 그리고 세대간 이전에 관한 파편화되고 맥락 의존적인 기존 증거의 문제를 해결하고자 했다. 연구진은 다양한 국가와 시간 기간에 걸친 부에 관한 기존의 대부분의 증거를 통합하고 광범위한 데이터 조화 작업을 수행했으며, 각 데이터 포인트에 방법론에 대한 광범위한 메타데이터를 첨부했다. 데이터 웨어하우스는 가구 부의 수준과 대차대조표, 다양한 출처의 분포 통계, 부의 이전 세금 수익, 그리고 세율, 면제 한도, 세금 일정과 같은 세금 특성을 포함한 광범위한 정보를 특징으로 한다. 이 광범위한 데이터 소스의 범위는 사용자들이 추정치의 이질성 정도를 평가하고 방법론적 선택이 측정 결과에 어떻게 영향을 미치는지 파악할 수 있도록 한다. 본 데이터 웨어하우스는 Zenodo에서 CSV 및 DTA 형식으로 공개 제공되며, 이를 통해 부와 공공 정책에 대한 정량적 분석의 확장이 가능해졌다. 이는 국가 간 부의 불평등 비교 연구를 용이하게 하고, 부의 이전 세제와 부의 축적 사이의 관계를 분석하는 데 있어 학술적 기여를 했다.
📖 Data Mining and Knowledge Discovery - 2건
Relation-aware multimodal data hashing for scalable recommendation systems
본 연구는 빅데이터 시대에 이종 정보 네트워크에서 사용자와 아이템 간의 유사도를 효율적으로 파악하는 문제를 다루었다. 기존의 협업 필터링 방식은 사용자-아이템의 직접적인 상호작용만을 고려하여 확장성 측면에서 한계를 보였다. 다중 홉 경로와 다중 모달 정보를 동시에 활용하는 기존 해싱 기법도 이종 정보 네트워크의 관계 의미를 충분히 반영하지 못했다. 저자들은 이 문제를 해결하기 위해 관계 인식 다중 모달 해싱 프레임워크인 SRH(relation-aware hashing)와 L2H(learning-to-hash) 두 가지 혁신적 방법을 제안했다. SRH는 메타경로 안내 차단 방식과 지역성 민감 해싱을 결합하여 n홉 관계를 효율적으로 인코딩했다. 텍스트, 이미지, 시간 정보를 계층적으로 통합하는 방식으로 다중 모달리티를 처리했다. L2H는 신경망 기반 해시 인코더를 훈련하여 다중 모달 특징으로부터 이진 코드를 학습했다. 해밍 공간의 이웃 구조를 메타경로 안내 사용자 그래프와 정렬시켜 정확성을 높였다. MovieLens, Amazon, Yelp 세 개의 실제 데이터셋에 대한 실험을 수행했다. 제안된 방법들은 협업 필터링 기저선을 능가했으며 상위-N 추천 성능에서 경쟁력 있는 결과를 달성했다. 특히 L2H는 가장 우수한 추천 정확도를 보였고 SRH는 메모리 효율성 측면에서 뛰어난 성능을 입증했다. 본 연구는 대규모 이종 정보 네트워크 환경에서 다중 모달 콘텐츠와 메타경로 관계 정보를 통합한 확장 가능한 추천 시스템 구축 방법론을 제시했다. 이는 추천 시스템의 확장성과 정확성 향상에 학술적으로 기여했다.
Crypsis: an elitism-driven observer-based approach for detection and mitigation of concept drift, concept evolution, and label drift
본 논문은 데이터 스트림의 비정상성으로 인한 모델 드리프트 문제를 해결하기 위한 Crypsis 방법론을 제안했다. 연구자들은 개념 드리프트, 레이블 드리프트, 개념 진화 등 모델 드리프트의 주요 원인들을 식별하고 이를 탐지 및 완화하는 통합 접근법을 개발했다. Crypsis는 생물학의 보호색 개념에서 영감을 얻어, 엘리티즘 기반 옵저버 방식을 통해 데이터의 미묘한 변화를 선제적으로 인식하고 실시간으로 적응한다. 이 방법론은 드리프트가 없는 데이터와 불확실한 드리프트를 포함한 데이터 모두에 대응할 수 있으며, m×(2n+3) 메타데이터 매트릭스로 구성된 옵저버를 활용하여 클래스별 통계 정보를 관리한다. 합성 데이터셋과 실제 벤치마크 데이터셋에 대한 광범위한 실험을 통해 Crypsis의 효과를 평가했다. 결과적으로 Crypsis는 여러 기계학습 모델에서 높은 정확도를 달성했으며, 특히 실제 전기 시장 데이터에서 99.58%의 정확도를 기록하여 기존 최고 성능을 크게 상회했다. 본 연구는 이진 분류를 넘어 다중 클래스 분류, 다양한 드리프트 유형, 개념 진화 등을 포함하는 포괄적인 접근을 제시함으로써 데이터 스트림 학습 분야에 중요한 기여를 했다.
📖 IEEE Transactions on Knowledge and Data Engineering - 1건
One Size Does Not Fit All: Exploring Variable Thresholds for Distance-Based Multi-Label Text Classification
본 연구는 밀도 임베딩 공간에서 텍스트와 레이블 간의 의미론적 유사성을 활용하는 거리 기반 다중 레이블 텍스트 분류(MLTC) 방법에서 임계값 최적화의 중요성을 탐구했다. 연구진은 먼저 다양한 문장 인코더 모델들과 다섯 가지 실제 MLTC 데이터셋에서 코사인 유사성 분포를 분석했으며, 이를 통해 모델 간, 데이터셋 간, 심지어 동일 모델과 데이터셋 내의 레이블 간에도 통계적으로 유의미한 유사성 분포 차이가 존재함을 발견했다. 이러한 발견에 기초하여 검증 데이터셋을 활용해 각 레이블별 최적 임계값을 개별적으로 산출하는 혁신적인 방법을 제안했다. 제안된 레이블별 임계값 방식은 정규화된 0.5 임계값 대비 평균 46% 성능 향상을 달성했으며, 기존의 균일 임계값 접근법보다 평균 14% 더 우수한 성과를 보였다. 또한 제한된 레이블 예제로도 강력한 성능을 시현했다. 본 연구는 재훈련이 불필요한 계산 효율적인 분류 방법의 우수성을 입증함으로써, 확장 가능한 레이블 집합과 부족한 학습 데이터 환경에서 실용적인 대안을 제시했으며, 향후 정보 검색과 멀티모달 분류 등 다양한 분야로의 응용 가능성을 제시했다.
📖 Machine Learning - 3건
Bias Mitigation in Large Language Models for Tabular Data Classification
본 논문은 표 형식 데이터 분류 작업에서 대규모 언어 모델(LLM)의 편향 문제를 다루었다. 연구진은 LLM이 사전 학습 데이터에 내재된 사회적 편향을 유지하여 특정 인구통계학적 집단에 불공정한 결과를 초래할 수 있다는 점을 확인하였다. Zero-shot 설정에서 LLM은 상당한 편향을 도입하였으며, 문맥 내 학습과 미세조정, 검색 증강 생성(RAG) 기법을 적용해도 편향 완화 효과가 제한적이었다. 이를 해결하기 위해 연구진은 공정성 지향 프롬프팅(Fair Prompting), 일반화된 프롬프팅(Generalised Prompting), 그리고 서술형 프롬프팅(Descriptive Prompting)의 세 가지 지시 기반 프롬프팅 전략을 제안하였다. 특히 서술형 프롬프팅과 균형 있는 샘플 추출 전략(Equal Samples Across Demographics)을 결합한 접근법이 가장 효과적임을 발견하였다. 이 조합 방식은 통계적 동등성, 기회의 동등성, 동등한 기회비, 예측적 동등성 등 다양한 공정성 지표를 이상적인 값(1 또는 0 근처)으로 개선하였으며, 여러 데이터셋에서 정확도를 3.27%에서 15.05% 향상시켰다. 본 연구는 재학습 없이 프롬프트 설계를 통해 LLM의 공정성을 실질적으로 개선할 수 있음을 보여주었으며, 이는 고위험 영역의 의사결정 시스템에서 AI의 신뢰성과 공정성을 확보하는 데 중요한 실무적 시사점을 제공한다.
ConstellationNet: Reinventing Clustering Through GNNs
본 연구는 범죄학, 병리학, 도시계획 등 다양한 분야에서 널리 활용되는 클러스터링 문제를 해결하기 위한 새로운 접근방식을 제시하였다. 고차원 대규모 데이터셋에서 입력 도메인이나 샘플 간의 국소적 구조를 활용하는 것이 중요함에도 불구하고 기존 방식에서는 이 신호들을 분리하여 처리함으로써 성능과 확장성에 한계가 있었다. 이를 극복하기 위해 저자들은 CNN 기반의 공간 임베딩을 그래프 신경망(GNN) 기반의 근접성 집계와 결합한 ConstellationNet이라는 모듈식 파이프라인을 개발하였다. 이 모델은 잔차 kNN 그래프 위에서 작동하며, 선택적으로 테스트 쿼리를 훈련 그래프에 연결하여 그래프 증강 추론을 수행한다. 실험 결과 ConstellationNet은 MNIST와 CIFAR-10에서 감독 분류 작업에 최고 수준의 성능을 달성하였고, 비감독 클러스터링에서도 경쟁력 있는 성능을 보였다. 특히 기존 방법 대비 파라미터 수를 최대 10배 감소시키고 훈련 시간을 현저히 단축할 수 있었다. 빠른 훈련 속도와 강력한 성능 때문에 ConstellationNet은 역학, 의료 영상 등의 분야에서 새로운 데이터에 대한 빠른 적응과 견고한 응답 개발을 가능하게 할 수 있을 것으로 기대된다.
DeNAV: Decentralized Self-Supervised Learning with a Training Navigator
DeNAV는 중앙 서버가 없는 완전 분산 환경에서 라벨이 없는 데이터를 보유한 클라이언트들이 협력하여 신경망 모델을 훈련할 수 있는 새로운 자가감독 학습 프레임워크이다. 기존 연합학습은 중앙 서버를 필요로 하지만, 실제로는 개인정보 보호나 통신 제약으로 인해 서버 없는 환경이 더 현실적인 상황이 많다. 본 연구는 이러한 문제를 해결하기 위해 경량의 마스크된 자동인코더 기반 트랜스포머 모델들을 여러 클라이언트에 걸쳐 병렬로 사전 훈련하는 방식을 제안하였다. DeNAV의 핵심 기여는 다음과 같다. 첫째, Training Navigator 알고리즘은 각 클라이언트의 로컬 데이터 양, 계산 자원, 과거 선택 이력을 종합적으로 평가하여 다음 훈련 클라이언트를 지능형으로 선택한다. 둘째, Staleness-aware 모델 집계 기법은 클라이언트 간에 저장된 모델들의 훈련 상태 로그를 비교하여 오래된 모델을 식별하고 적절히 가중치를 부여함으로써 더 효과적인 모델 업데이트를 수행한다. 셋째, 경량의 일-블록 마스크된 자동인코더 아키텍처를 채택하여 통신 오버헤드를 크게 감소시킨다. 이론적 분석에서 연구팀은 DeNAV가 수렴성과 클라이언트 간 합의 보장을 제공함을 엄밀하게 증명하였으며, 데이터 양이 많은 클라이언트를 선호하는 모델 경로 결정이 훈련 효과를 향상시킴을 이론적으로 정당화하였다. 광범위한 실험 결과는 DeNAV가 연합학습 기반 자가감독 학습 기준선과 비교 가능하거나 더 우수한 성능을 달성하면서도 동일한 통신 효율성을 유지하며 기존 분산 학습 방법들을 초과하였음을 보여주었다. 이 연구는 서버 조정 없이도 분산 환경에서 효과적인 모델 훈련을 가능하게 함으로써 개인정보 보호와 통신 제약이 있는 현실적 시나리오에서의 협력 학습을 위한 실질적인 솔루션을 제공한다.
📖 Pattern Recognition - 1건
The MERIT dataset: Modelling and efficiently rendering interpretable transcripts
본 논문은 학교 성적표를 기반으로 한 멀티모달 합성 데이터셋인 MERIT Dataset을 소개하였다. 시각적으로 풍부한 문서 이해(VrDU) 작업을 위한 고품질 데이터의 부족 문제를 해결하기 위해, 텍스트, 이미지, 레이아웃 정보를 포함한 완전 라벨링된 33,000개의 샘플로 구성된 데이터셋을 개발하였다. 연구팀은 디지털 문서 생성 모듈과 포토리얼리스틱 Blender 렌더링 모듈로 구성된 파이프라인을 구축하여, 학생 이름, 과목, 성적 등을 동적으로 생성하고 자동으로 라벨링하였다. 데이터셋은 영어와 스페인어로 각각 7개의 학교 템플릿을 포함하며, 400개 이상의 라벨을 가진 높은 복잡도의 작업 환경을 제시하였다. 특히 학생의 이름 출처와 성별을 기반으로 의도적으로 편향을 도입하여 대규모 언어모델(LLM)의 편향을 벤치마킹할 수 있는 통제된 환경을 제공하였다. LayoutLMv2, LayoutLMv3, LayoutXLM 모델들을 통한 실험에서 기존의 FUNSD/XFUND 데이터셋보다 현저히 낮은 성능 지표를 보여주어, 이 데이터셋이 최신 모델들에게 상당한 도전과제를 제시함을 입증하였다. 본 연구는 합성 데이터 생성의 유연성과 통제 가능성을 활용하여 데이터 보호 문제를 우회하고, 자동 라벨링으로 인한 인적 비용 절감을 실현하며, LLM의 윤리적 성능 평가를 가능하게 한다는 점에서 학술적 의의가 크다.
📖 Expert Systems - 2건
Addressing Vagueness and Uncertainty in the Banking Industry: Combining Fuzzy Modulatory Data Envelopment Analysis and Fuzzy Multivariate Regression
본 연구는 은행업의 모호성과 불확실성 속에서 재무 건강성, 재무 위기, 유동성 함정을 평가하기 위해 퍼지 모듈식 자료포락분석과 퍼지 다변량 로그정규 회귀를 결합한 혁신적인 2단계 프레임워크를 개발하였다. 이 방법론은 퍼지 집합 이론과 알파-절단을 활용하여 입력, 출력, 중간 변수의 모호성과 불확실성을 포착하고, 금융 시스템의 고유한 데이터 부정확성을 해결함으로써 기존 방식과 차별화되었다. 2014년부터 2023년까지 93개 중국 은행에 대한 실증 분석을 통해, 노동비용, 자본적정성, 시장집중도가 비효율성의 핵심 동인임을 발견하였으며, 경쟁과 규제 조치의 중재 효과를 강조하였다. 분석 결과는 효율성 추세의 개선과 규제 준수 및 거시경제 정책의 영향을 받는 운영 관행의 수렴을 명확히 하였다. 본 프레임워크는 허핀달-허시먼 지수와 CAMELS 등급과 같은 맥락적 요인이 다양한 불확실성 수준에서 비효율성에 미치는 영향을 파악함으로써 위험 관리 및 정책 평가를 위한 포괄적인 도구를 제공하였다. 특히 본 연구는 유동성 함정과 재무 위기를 구분함으로써 은행 감독 당국이 상황에 맞는 정책 대응을 설계할 수 있도록 지원하였다. 이 연구는 운영 연구에 기여함으로써 은행 효율성 분석의 격차를 해소하고, 불확실한 시장 상황에서 금융 안정성과 회복력을 강화하기 위한 실행 가능한 통찰력을 제공하였다.
Research on the Game Theory of Enterprise Information Security Investment Considering Information Complementarity
인터넷 정보기술의 급속한 발전으로 정보보안 문제가 심화되면서 기업들은 정보시스템 보안을 강화하기 위해 투자를 단행하고 있다. 본 연구는 기업 간 정보자산의 상호보완성이 존재하는 맥락에서 정보시스템의 보안 취약점이 발생했을 때 기업들의 보안투자 전략 선택 과정을 분석하기 위해 진화적 게임 이론을 적용했다. 연구 결과, 기업은 투자비용과 예상손실의 합을 최소화하는 투자 전략을 선호하는 것으로 나타났다. 기업의 초기 고투자 의도나 잠재적 손실이 높을수록 고투자 전략을 선택할 가능성이 높아지는 반면, 파트너 기업은 이러한 가능성이 낮아지는 상반된 경향을 보였다. 또한 보안투자가 침해 확률을 효과적으로 감소시킬 때 기업들이 고투자 전략을 더욱 채택하려 했으며, 해킹의 운영비용이 높을수록 기업의 보안투자 부담이 완화되는 것으로 확인되었다. 본 연구는 기업이 상호작용 속에서 보안투자 의사결정을 하는 복잡한 게임 과정을 이론적으로 분석함으로써 정보보안 투자 전략 수립에 실용적 시사점을 제공했다.
📖 AI & Society - 2건
A meta-synthesis study on the use of artificial intelligence in primary education
이 연구는 초등학생들의 인공지능에 대한 관점을 분석하기 위해 메타-신테시스 방법을 적용했다. 연구자들은 2020년 이후 발표된 영문 학술지에서 4,756개의 연구를 검색하여 최종적으로 23개의 질적 연구를 분석 대상으로 포함했다. 주제별 신테시스 방법을 통해 4개의 주요 주제와 15개의 하위 주제를 도출했다. 연구 결과, AI는 초등학생들의 자기주도적 학습을 촉진하고 학습 자율성과 학습 동기를 증대시켰으며, 개별화된 학습 기회를 제공했다. 학생들은 인지적으로 제한된 단순한 AI 정의를 가지고 있었으나, 호기심과 신뢰 같은 긍정적 감정과 불안감, 공포 같은 부정적 감정을 함께 경험했다. AI 도구의 사용은 재미있고 쉬웠으나 초기 적응, 기술적·교육적 장벽, 데이터 프라이버시, 윤리적 우려 등의 문제가 있었다. 학술적 의의로는, AI가 교육에서 기회의 평등성과 학생 참여를 촉진할 수 있음을 보여주었으나, AI의 지속 가능한 통합을 위해서는 윤리적, 교육적, 체계적 고려를 포함한 다차원적 접근이 필수적임을 강조했다.
Obsolescence without hostility: optimization, uniformity, and the erosion of human meaning in a post-AI world
본 논문은 인공지능이 인간을 압도할 수 있다는 기존 논의와 달리, AI가 적대적 통제나 강제 없이도 인간의 의미 생성 조건을 침식할 가능성을 제시했다. 연구자는 AI의 상한이 원칙적이 아닌 기술적·경제적 제약이며, 이를 극복할 경우 생산, 조정, 통치, 창의적 문제해결 전 영역에서 인간 참여 없이 AI가 인간을 능가할 것이라는 가정 하에 분석을 진행했다. 역사적으로 인간의 의미는 희소성으로 인한 필요성과 구조적으로 정렬되어 왔으며, 필요성이 사회적 역할 형성과 개인적 인정을 통해 의미를 생성했다는 점을 핵심으로 제시했다. 그러나 AI가 인간의 인과적 기여의 필요성을 제거하면, 자기결정성에 기초한 내부적·실존주의적 의미론은 외적 차별성과 실제 결과 불확실성이 결여되어 확대되기 어렵다고 논증했다. 논문은 최적화 유도 균일화를 이 과정의 핵심 메커니즘으로 식별하며, 고급 최적화가 폭력이나 실패 없이 선택을 통해 수렴을 산출하고 기능적 차이를 소거한다고 설명했다. 이를 통해 저자는 인간의 구조적 무관성에서 비롯된 호의적 적대 없는 멸종이 합리적으로 설명 가능한 장기 균형이라며, 이를 '성공으로 인한 멸종'이라는 새로운 AI 위험 범주로 제시했다.
📖 Applied Intelligence - 3건
ED-SCMA: encoder-decoder with skip-connection and multi-scale attention module for low-dose CT denoising
본 연구는 저선량 CT(LDCT) 영상에서 잡음과 스트릭 아티팩트로 인한 진단 정확도 저하 문제를 해결하기 위해 ED-SCMA라는 새로운 인코더-디코더 아키텍처를 제안하였다. 제안된 방법은 듀얼 병렬 공간 주의 모듈(PSAM), 멀티스케일 합성곱 네트워크(MSCN), 잔차 학습을 대칭 인코더-디코더 구조에 통합하였다. PSAM은 미세한 해부학적 세부사항을 적응적으로 정제하면서 전역 맥락 의존성을 포착하며, MSCN은 다양한 공간 스케일에서 특징 표현을 향상시켜 국소 텍스처와 전역 구조 정보를 모두 보존하였다. 잔차 스킵 연결은 특징 전파를 안정화시키고 중요 해부학적 기관의 과도한 평활화를 완화하였다. AAPM 골반 CT, ACR 팬텀, 악안면, 부비동, 측두골 데이터셋을 포함한 다중 벤치마크 및 임상 데이터셋에서 평가한 결과, ED-SCMA는 골반 CT에서 PSNR/SSIM/RMSE 41.08/0.947/0.0040, ACR 팬텀에서 44.19/0.948/0.0028의 성능을 달성하였다. 절제 연구를 통해 인코더-디코더 깊이 7:3 구성과 듀얼 PSAM의 조합이 잡음 제거 성능과 계산 효율성 사이의 최적 균형을 제공함을 입증하였다. 본 연구는 일반화, 해부학적 충실도, 계산 효율성을 동시에 해결하여 저선량 CT 영상 재구성 기술을 발전시켰으며, 임상 실무에서 안전하고 고품질의 CT 영상을 제공하기 위한 학술적·임상적 기여를 이루었다.
Efficient mining of compact high average utility patterns using the tightest weak lower bound
본 연구는 정량적 거래 데이터베이스에서 높은 평균 효용성을 가진 빈번한 항목집합(FHAUIs)의 효율적 채굴을 다루었다. 기존 접근법은 모든 FHAUI를 열거함으로써 과도한 수의 패턴을 생성하여 높은 런타임과 메모리 소비를 초래하고 결과 해석을 어렵게 만드는 문제가 있었다. 이를 해결하기 위해 연구진은 닫힌 FHAUI(CFHAUI)와 최대 FHAUI(MFHAUI)라는 컴팩트 표현을 채굴하는 두 가지 알고리즘을 제안하였다. MC-FHAUIM은 두 종류의 패턴을 동시에 채굴하며, C-FHAUIM은 닫힌 형태만 채굴한다. 두 알고리즘 모두 접두사 기반 탐색 패러다임을 따르며, 닫힌 패턴이 아닌 가지를 조기에 제거하는 두 가지 새로운 폐쇄 지향 전략을 포함한 다섯 가지 가지치기 전략으로 가속화되었다. 핵심 기술 기여는 평균 효용성 측도의 가장 타이트한 약한 하한(twlbau)을 설계하여, FHAUI를 포함할 수 있으나 닫힌 패턴을 생성할 수 없는 가지를 안전하게 제거하면서도 공격적 가지치기의 위험성을 피하는 것이었다. 다양한 실제 및 합성 데이터셋 실험 결과, 제안된 방법은 최신 알고리즘 대비 런타임과 최고 메모리 사용량을 일관되게 감소시켰으며, 데이터베이스 크기가 증가하고 임계값이 감소할수록 확장성이 개선되었다. 이는 모든 FHAUI를 열거하는 대신 CFHAUI와 MFHAUI를 채굴하는 것이 실무적이고 계산상 효율적인 대안이며, 실제 의사결정을 위한 간결하면서도 정보 풍부한 결과물을 제공할 수 있음을 입증하였다.
ESMT: Context-adaptive vision-language tracking with episodic-semantic memory
본 연구는 동적 실환경에서 빠른 움직임, 폐색, 복잡한 배경으로 인한 시각 추적의 어려움을 해결하기 위해 Episodic-Semantic Memory Tracking (ESMT)이라는 통합 프레임워크를 제안하였다. 기존 메모리 기반 추적기들이 빠른 변화 속에서 외관 메모리의 드리프트와 시맨틱 메모리의 중복 및 모호성 문제를 겪는 데 반해, 본 연구는 시간적 상태 에피소딕 메모리와 그래프 기반 시맨틱 메모리를 결합하는 접근 방식을 채택하였다. 구체적으로, 시간적 상태 에피소딕 메모리는 시간적 상태 업데이트와 선택적 검색을 통해 동작 일관성을 유지하며, 그래프 기반 시맨틱 메모리는 시맨틱 유사성 그래프를 구성하고 언어 단서와 정렬하여 배경 응답을 억제하고 목표 차별성을 강화한다. 또한 문맥 적응형 융합 게이트가 장면 역학에 따라 에피소딕과 시맨틱 정보의 기여도를 동적으로 균형 맞춘다. LaSOT, TNL2K, OTB99-L 데이터셋에 대한 실험을 통해 ESMT가 경쟁력 있는 정확도와 견고성을 달성하였으며, 다양하고 시각적으로 복잡한 추적 시나리오에서 일관된 성능을 보여주었다는 점에서 비전-언어 추적 분야에 학술적 기여를 하였다.
📖 Complex & Intelligent Systems - 3건
A novel ensemble neural network for classification and detection of fire and smoke
이 연구는 화재 사건에서 화재와 연기의 분류 및 감지를 위한 혁신적인 앙상블 신경망 구조를 제안하였다. 연구팀은 기존 화재 감지 시스템의 높은 오경보율 문제를 해결하기 위해 세 가지 핵심 특징을 가진 앙상블 방식을 도입하였다. 먼저 화재, 연기 또는 정상 상태를 분류하는 신경망으로 전체 이미지를 분석하여 낮은 오경보율을 유지하면서 화재 사건을 효과적으로 모니터링하였다. 두 번째로 분류 결과에 따라 서로 다른 특화된 신경망을 선택적으로 활성화하여 화재 또는 연기 감지를 수행함으로써 각각의 대상에 최적화된 높은 감지 정확도를 달성하였다. 세 번째로 Half-tensor 및 Cython 변환을 적용하여 추론 속도를 69.4% 개선하였으며, 이는 실시간 모니터링 시스템 배포에 필수적인 성능을 제공하였다. 공개 및 개인 이미지 데이터셋을 활용한 광범위한 실험을 통해 제안한 앙상블 신경망은 화재 및 연기 분류에서 99.8%의 정확도와 96.8%의 평균 정밀도 감지 정확도를 달성하였으며, 오경보율을 40% 이상 감소시킴으로써 기존 최첨단 신경망보다 우수한 성능을 입증하였다. 이러한 결과는 화재 모니터링 및 진압 시스템에 배포되어 화재 사건에서 재산 손실과 인명 피해를 방지하는 데 실질적으로 기여할 수 있을 것으로 판단되었다.
Integrated optimization of forest fire task scheduling and emergency resource delivery under uncertain environments
본 연구는 복잡하고 동적으로 불확실한 산림화재 관리에서 작업 스케줄링과 긴급 자원 배송 의사결정을 동시에 최적화하는 방법론을 제시하였다. 연구자들은 화재 확산률, 재해 구호 시간 제약, 자원 수요 긴급성 등 핵심 요소를 통합하는 혼합정수 비선형 계획 모델을 구축하였으며, 자원 배송 시간과 화재 지점 회복 시간 같은 불확실한 매개변수를 구간 수 기반의 결정론적 처리 방법으로 처리하였다. 이 문제를 해결하기 위해 네 가지 유형의 이웃 연산자와 복구 연산자를 개선한 개선된 Tabu Search-Simulated Annealing 하이브리드 알고리즘(ITS-SAA)을 개발하였다. 실험 결과 ITS-SAA는 기존의 Tabu Search, Simulated Annealing, 면역 최적화 알고리즘, 차분 진화 알고리즘 대비 각각 평균 5.89%, 3.14%, 73.20%, 68.94%의 최적화 성능 개선을 달성하였다. 주요 발견으로는 자원 할당의 최적 임계값이 존재하며, 자원 배송 시간이 부족한 상황에서는 단순히 소방팀 수를 증가시키는 것만으로는 한계가 있다는 점이 도출되었다. 따라서 의사결정자는 배송팀과 소방팀의 수를 적절히 구성하되, 물류 배송 용량 강화에 우선순위를 두어야 하며, 이러한 결과는 산림화재 긴급 대응의 성능을 향상시키고 재해 손실을 감소시키는 데 학술적 의의를 갖는다.
StrokeFuse-AttnNet: a hybrid feature fusion and self-attention model for stroke detection using neuroimages
본 연구는 CT 영상에서 뇌졸중을 탐지하고 분류하는 과정의 복잡성, 노이즈, 불균형한 데이터셋 문제를 해결하기 위해 StrokeFuse-AttnNet이라는 하이브리드 딥러닝 모델을 제안하였다. 연구팀은 전역 특성 추출을 위해 ResNet50을, 지역 특성 추출을 위해 DenseNet121을 통합하고 자기주의 메커니즘을 적용하여 뇌졸중 영역에 대한 공간적 집중도와 의미론적 해석가능성을 향상시켰다. 계층적 특성 융합 전략으로 다중 스케일 특성을 결합한 후 자기주의 모듈로 처리하여 주요 뇌졸중 영역을 강조하고 무관한 활성화를 감소시켰다. 훈련 표본에 데이터 증강과 SMOTE를 적용하여 불균형 문제를 해결하고 일반화 성능을 개선하였다. 공개 뇌 CT 데이터셋에서는 98.27%의 정확도와 0.983의 AUC를 달성하였으며, 비공개 데이터셋에서는 96.04%의 정확도와 0.9501의 AUC를 기록하여 기존 방법보다 높은 정확도, 신뢰성, 일반화 능력을 보여주었다. 모델은 3,200만 개의 매개변수만 사용하여 가볍고 40 GFLOPs로 실시간 임상 진단 처리 시스템에 적용 가능하다는 점에서 방사선과 의사들의 뇌졸중 진단 효율성과 신속성을 지원할 수 있는 실제적 가치를 가지고 있다.
📖 IEEE Transactions on Cybernetics - 1건
Miformer: A Minus-Inverted Transformer Fed by Historical–Future Interactions for Trajectory Prediction
본 연구는 자율주행 시스템에서 주변 교통 참여자의 미래 궤적을 예측하는 문제를 다루었다. 기존의 궤적 예측 방법은 과거 정보만 활용하거나 정적인 쿼리 설계로 인해 교차 시간 단계 상호작용을 충분히 포착하지 못했다. 이를 해결하기 위해 연구팀은 Miformer이라는 새로운 트랜스포머 기반 모델을 제안했다. 핵심 기여는 다음과 같다. 첫째, 시간 쿼리 메커니즘을 도입하여 차선 기하학 및 다중 에이전트 상호작용을 시간 역학과 함께 통합하고, 서로 다른 에이전트와 도로 기하학 간의 정보 교환을 가능하게 했다. 둘째, 역사-미래 공간-시간 상호작용 모듈(HF-STIM)을 설계하여 iTransformer를 활용한 양방향 의존성 모델링을 구현했다. 셋째, Mi-Transformer를 제안하여 동적 잔여 학습 메커니즘으로 불필요한 의존성을 제거하면서 중요한 정보 흐름을 보존했다. 실험 결과 INTERACTION 데이터셋에서 minJointADE와 minJointFDE 지표에서 각각 12.0%, 11.4% 개선을 이루며 최첨단 성능을 달성했고, Argoverse 데이터셋에서도 경쟁력 있는 결과를 보였다. 이는 복잡한 다중 에이전트 상호작용 환경에서 역사적 및 미래적 공간-시간 상호작용의 효과적 모델링이 궤적 예측 정확도 향상에 매우 중요함을 입증했다.
📖 Knowledge and Information Systems - 1건
DSA-GNAS: graph neural architecture search with deep semantic adaptation of large language models
본 연구는 사전학습된 대규모언어모델(LLM)과 그래프신경망(GNN)을 텍스트 속성 그래프(TAG) 모델링에 결합할 때 수동으로 최적 아키텍처를 설계하는 것이 비효율적이고 전문 지식을 과도하게 요구하는 문제를 해결하였다. 기존 그래프신경망 아키텍처 검색(GNAS) 연구들은 얕은 임베딩 방식에 기반하여 LLM의 깊은 의미 공간과 얕은 임베딩 간의 차이를 무시한 한계를 지녔다. 이를 극복하기 위해 저자들은 깊은 의미 적응을 통합한 그래프신경망 아키텍처 검색 프레임워크인 DSA-GNAS를 제안하였다. 핵심 방법론은 구조-의미 융합(S2F) 탐색 공간을 정의하고, 이 공간에서 샘플링한 모델 아키텍처들을 듀얼-패스 어댑터로 구성하여 LLM이 생성한 의미 임베딩을 미세조정함으로써 그래프 다운스트림 작업에 충분한 적응을 가능하게 하였다. 모델 아키텍처 최적화는 그래디언트에 제약받지 않는 전역적 탐색이 가능한 유전 알고리즘 전략으로 수행되어 높은 효율성을 제공하였다. 실험 결과는 DSA-GNAS가 다양한 기준 모델들보다 그래프 작업에서 유의미하게 성능을 향상시켰으며, 이는 DSA-GNAS가 다양한 텍스트 속성 그래프에 대해 LLM의 깊은 의미를 적응시키는 최적 아키텍처 설계에 효과적으로 작동함을 입증하였다.
📖 Psychology & Marketing - 3건
How Downsizing a Typical Product at a Stable Unit Price Recalibrates Price Perceptions: A Contrast–Assimilation Account of Perceived Category and New‐Product Expensiveness
본 연구는 인플레이션과 가격 민감도 증가로 인한 경쟁 심화 속에서 소비자의 가격 인식을 효과적으로 관리하는 방법을 규명했다. 제품의 용량을 감소시키면서 단위 가격은 유지하는 전략이 전체 제품 카테고리에 대한 저가 인식을 유도한다는 점을 보여주었다. 이 접근법은 깊은 할인에 의존하지 않아 소매업체의 마진 손실을 최소화하고, 수량과 가격의 비율이 유지되어 소비자의 반발 위험도 낮다는 장점을 지닌다. 그러나 동일한 어셀트먼트 내 신제품에 대해서는 높은 가격 인식을 초래하는 역설적 효과도 함께 발견했다. 연구진은 심리적 일반화-동화 과정과 대비 메커니즘으로 이러한 상반된 효과를 설명했다. 초콜릿과 음료를 자극물로 사용한 세 건의 실험에서 어셀트먼트 규모가 조절변수로 작용하며, 단위 가격 공시가 이 효과를 감소시킨다는 점이 실증되었다. 본 연구는 FMCG 환경에서 소비자의 가격 신호 의존도를 활용한 효과적인 가격 관리 전략을 제시했다.
Real vs. Imagined Sensory Inputs in Virtual Reality: A Construal‐Level Based Conceptual Framework and Future Research Directions
본 연구는 가상현실에서 시각과 청각, 그리고 후각, 촉각, 미각 등 다양한 감각 입력이 소비자 경험에 미치는 영향을 구성 수준 이론을 토대로 분석하였다. 연구자들은 감각 입력의 수와 특성, 특히 실제 감각 입력과 상상된 감각 입력 간의 차이가 공간적 근접성과 인지 부하에 영향을 미치며, 이것이 궁극적으로 사용자의 몰입도를 높이거나 낮추는 메커니즘을 제시하였다. 더불어 시스템 몰입성, 감각 간의 일관성, 감각 도메인의 특성을 중재 변수로 포함한 개념 모형을 제안하였으며, 이 모형이 소비자의 태도 형성 같은 사전 단계 결과부터 구매 행동 같은 사후 단계 결과까지 소비자 의사결정 여정 전반에 어떻게 영향을 미치는지 밝혔다. 이를 통해 향후 가상현실 감각 마케팅 연구의 방향을 제시하고, 특히 실제 감각 입력과 상상된 감각 입력의 비교 분석 및 구성 수준 이론의 적용에 초점을 맞춘 연구 과제를 제안하였다.
📖 Journal of Business & Industrial Marketing - 1건
Unveiling the equifinal configurations driving business model design ambidexterity: based on TOE framework
본 연구는 기술-조직-환경(TOE) 프레임워크를 기반으로 비즈니스 모델 설계 양면성(BMDA)을 달성하는 다양한 경로를 규명하였다. 연구진은 중국 제조업 317개 기업을 대상으로 퍼지집합 정성적 비교분석(fsQCA) 방법론을 활용하여 빅데이터 분석 역량, 역설적 인식, 경영 환경 간의 상호작용이 BMDA에 미치는 영향을 분석하였다. 분석 결과, 어떤 단일 요소도 BMDA 달성의 필수 조건이 아니었으며, 다양한 조합의 선행 조건들이 BMDA를 달성할 수 있음을 밝혔다. 특히 인프라 유연성, 관리 기술, 데이터 기반 의사결정 문화가 높은 BMDA를 달성하는 세 가지 동등한 구성에 공통적으로 나타났다. 주목할 점은 기술적 기술 같은 특정 자원이 부족하더라도 다른 선행 조건들을 적절히 결합하면 높은 BMDA를 달성할 수 있다는 것이었다. 본 연구는 TOE 프레임워크의 적용 범위를 확대하고, 중국 제조업이 직면한 복잡한 경영 환경에서 기업이 선택할 수 있는 다양한 실행 경로를 제시함으로써 BMDA 연구의 이론적 기초를 강화하였다. 아울러 환경 적대성과 경쟁 강도라는 상이한 환경 조건에 따라 차별화된 전략적 조합을 제시하여 제조업의 디지털화 전환과 고품질 성장을 촉진하는 실무적 시사점을 제공하였다.
📖 Journal of Consumer Marketing - 1건
That’s embarrassing: investigating identity avoidance for (in)conspicuous luxury consumers
본 연구는 규제초점이론과 자기의식적 감정 이론을 바탕으로 만성 예방초점이 눈에 띄는 로고를 가진 럭셔리 제품의 정체성 회피에 미치는 영향을 조사하였다. 연구팀은 진정한 럭셔리 소비자들을 대상으로 설문과 실험 방법을 결합한 3개의 연속 연구를 수행하였다. 첫 번째 연구에서는 과시적 소비에 대한 부정적 고정관념의 인지와 당혹감의 예상이 눈에 띄는 로고의 럭셔리 제품에 대한 정체성 회피를 유의미하게 예측함을 보여주었다. 두 번째 연구를 통해 만성 예방초점 소비자들이 과시적 소비에 관련된 부정적 고정관념을 더욱 강하게 인지하며, 눈에 띄는 로고의 럭셔리 제품을 공개적으로 소유할 때 더 높은 수준의 당혹감을 예상하고, 따라서 정체성 우려로 인해 이러한 제품 회피에 더 많이 참여함을 발견하였다. 세 번째 연구에서는 만성 예방초점과 상황적으로 유도된 규제초점의 상호작용 효과를 조사하여, 만성 예방초점 개인들이 상황적으로 촉진초점으로 유도될 때만 제시된 효과가 나타남을 밝혀냈다. 특히 흥미로운 발견은 상황적 촉진초점 유도가 만성 예방초점 소비자 집단에서 더 강한 부정적 고정관념의 인지와 당혹감의 예상을 불러일으켜 눈에 띄는 로고의 럭셔리 제품 회피 가능성을 더욱 높였다는 것이었다. 이러한 결과들은 럭셔리 마케터들이 지위 추구 소비자뿐만 아니라 지각된 사회적 비용 없이 '조용한 럭셔리'를 추구하는 대체 소비자 집단도 수용해야 함을 시사한다. 또한 소비자의 동기 방향성에 맞춘 메시지 전략을 수립할 때 촉진초점 프레이밍이 만성 예방초점 소비자 중에서 역효과를 초래할 수 있음을 경고한다. 본 연구는 럭셔리 소비에서의 정체성 회피 메커니즘 이해에 규제초점 이론과 자기의식적 감정을 적용한 선도적 연구이며, 만성과 상황적으로 유도된 규제초점 간의 복잡한 상호작용을 실증적으로 검증하여 럭셔리 소비 맥락에서 규제초점 이론의 새로운 통찰력을 제공한다.
📖 Asia Pacific Journal of Marketing and Logistics - 1건
The impact of brand inclusivity on consumer attitudes toward AI-designed products
본 연구는 인공지능이 제품 설계 영역으로 확대되면서 소비자들이 AI 설계 제품에 대해 보이는 부정적 반응을 완화하는 브랜드 포용성의 역할을 규명했다. 네 차례의 온라인 실험을 통해 t-검정, ANOVA, 회귀분석 등의 통계 방법을 활용하여 가설을 검증했다. 연구 결과 소비자들은 높은 포용성을 지닌 브랜드가 제공하는 AI 설계 제품을 더욱 호의적으로 평가했으며, 이러한 긍정적 효과는 지각된 일관성을 통해 매개되었다. 즉, 포용적 브랜드가 AI를 디자인 팀의 정당한 구성원으로 인정할 때 소비자들이 브랜드의 가치와 행동 간의 일관성을 높게 인지하게 되고, 이것이 AI 제품에 대한 긍정적 태도로 이어진 것이다. 다만 쾌락적 제품의 경우 포용성의 긍정적 영향이 약화되었으며, AI가 도구로 지각되는 낮은 의인화 수준에서는 포용성의 효과가 소멸했다. 이 연구는 브랜드 포용성의 다운스트림 효과를 확대하고 AI의 사회적 역할에 대한 새로운 개념화를 제시했다는 점에서 학술적 의의가 있으며, 기업들이 포용적 마케팅 전략을 통해 AI 기반 제품 설계에 대한 소비자 저항을 완화할 수 있음을 보여주었다.
📖 Journal of Cheminformatics - 2건
graphpancake: a Python package for representing organic molecules as molecular graphs utilizing electronic structure theory
본 연구는 밀도범함수이론(DFT)과 파트하트리-포크(post-Hartree-Fock) 파형함수 계산으로부터 얻은 양자역학 데이터를 유기소분자의 분자그래프로 변환하는 오픈소스 파이썬 패키지 graphpancake를 개발하였다. 이 패키지는 약물 발견 초기 단계에서 고처리량 스크리닝을 보완하는 계산 방법으로 활용되는 고도화된 기계학습 아키텍처와 연계하기 위해 원자 및 결합 특성을 인코딩하는 그래프 기반 분자 표현을 제공하였다. graphpancake는 커맨드라인 유틸리티, 다양한 특성 복잡도를 갖는 계층적 그래프 유형, 그리고 상세한 사용자 문서를 포함하는 케모인포매틱스 파이프라인을 위해 설계되었다. 연구진은 문헌에서 수집한 회귀 및 분류 데이터셋을 이용하여 패키지의 유용성을 검증하였으며, 랜덤포레스트 및 메시지패싱신경망 아키텍처를 적용하였다. 실험 결과 graphpancake의 양자화학적 특성이 기존 SMILES 생성 특성 대비 정량적 구조-활성 관계(QSAR) 예측에서 R² 값이 0.3~0.5 높은 성능을 달성하였다. 이 연구는 화학적 직관과 계산 방법을 조화시켜 더욱 정보량 높은 분자 데이터 변환을 가능하게 함으로써, 약물 발견 분야의 기계학습 기반 정량적 성질 예측을 크게 향상시킬 수 있음을 보여주었다.
A novel approach for enhancing the potency of kinase inhibitors using topological water networks
본 연구는 키나아제 억제제의 효능 최적화라는 주요 과제를 해결하기 위해 결합 부위 내 물 분자의 역할에 주목하였다. 기존 계산 방법들이 위상 물 네트워크(TWNs)의 중요성을 간과하고 있다는 점을 인식하여, 표적 단백질 내 TWN 유래 패턴을 체계적으로 조사하였다. 연구 결과 키나아제 결합 부위 내의 특정 TWN 패턴이 알려진 결정화학 키나아제 단편과 일치함을 확인하였으며, TWN이 단백질 결합 부위 내에서 유망한 단편의 식별과 최적 배치를 크게 개선할 수 있는 잠재력을 가지고 있음을 드러냈다. 이러한 발견을 바탕으로 수화 네트워크의 위상학적 특성을 활용하는 TWN 기반 단편 성장(TWN-FG) 방법을 제안하였다. TWN-FG 방법은 알려진 키나아제 억제제의 구조-활성 관계 동향을 성공적으로 설명할 수 있으며, 혼합 선형 키나아제 1(MLK1) 억제제의 설계 및 합성에 적용되었다. 이 연구는 수화 네트워크의 위상학적 특성에 기반한 새로운 단편 성장 전략을 제시함으로써 의약화학자들의 신약 개발 과정에서 귀중한 도구로 활용될 것으로 기대된다.
📖 Scientometrics - 1건
Systemic gendered citation imbalance in computer science: evidence from conferences and journals
본 연구는 컴퓨터과학 분야에서 여성 저자의 논문이 남성 저자의 논문보다 인용을 체계적으로 덜 받는 현상을 실증적으로 규명하였다. 연구팀은 DBLP과 OpenAlex 데이터베이스를 통합하여 1990년부터 2023년까지 발표된 394,432편의 학회 및 저널 논문과 752,742개의 인용 관계를 분석하였다. 연구 질문으로는 컴퓨터과학에서의 젠더 불균형 인용 패턴, 학회와 저널 간의 차이, 그리고 인용 행동과 관련된 논문 특성을 파악하는 것을 설정하였다. 분석 방법으로는 기존의 무작위 모형에 더해 동질성과 인용 이질성을 보존하는 새로운 참조 모형들을 개발하여 적용하였다. 주요 발견으로, 여성 제1저자 또는 마지막 저자의 논문은 기대값보다 인용을 덜 받았으며, 이는 특히 학회 논문에서 더 두드러졌다. 구체적으로 남성 저자 학회 논문은 저널 논문보다 2배 더 많이 인용되었고, 여성 저자 학회 논문은 저널 논문보다 3배 더 적게 인용되었다. 또한 상위권 학회(A* 랭킹)의 여성 저자 논문 언더사이테이션이 상위권 저널(Q1 랭킹)보다 3배 높게 나타났다. 저자의 동질성 선호 현상이 이러한 불균형의 상당 부분을 설명하였으나, 저자의 저명성과 공동저자 네트워크 특성도 중요한 요인으로 작용하였다. 본 연구는 컴퓨터과학의 독특한 학회 중심 출판 문화가 어떻게 젠더 불균형을 심화할 수 있는지를 보여주었으며, 학술 커뮤니티의 공평한 대표성과 포용성 증진을 위한 구체적인 기초 자료를 제공하였다.
📖 Economic and Political Studies - 1건
Divergent UK responses to Chinese overseas investments: An economic interpretation
이 연구는 중국의 해외투자에 대한 영국의 상이한 정책 대응을 설명하는 경제적 해석을 제시하였다. 연구는 핑클리 포인트 C 원전 프로젝트에서 중국 기업의 참여를 승인한 결정과 화웨이의 5G 통신망 접근을 거부한 결정이라는 두 가지 대조적 사례를 비교하여, 유사한 메커니즘을 가지면서도 상이한 결과를 초래하는 반-부정적 사례 비교 방법을 채택하였다. 경제적 상호의존 이론과 외교 정책 분석의 다중휴리스틱 이론을 결합한 분석 틀을 통해, 연구는 '결정적 경제적 인센티브'가 정책 선택을 제약하는 메커니즘을 활성화한다는 것을 밝혔다. 핑클리 사례에서는 영국의 전력 부족 해결 필요, 중국의 자금 및 기술 의존성으로 인해 제약 메커니즘이 완전히 작동하여 중국 투자자의 참여 승인이라는 결과를 낳았다. 반면 화웨이 사례에서는 미국의 강화된 제재와 대체 공급업체의 존재라는 억제 요인이 메커니즘의 작동을 방해하여 거부 결과를 초래하였다. 이 연구의 핵심 발견은 국가 수준의 전반적인 경제 상호의존성보다 특정 사례에서의 의존 패턴이 투자 정책을 결정하는 데 더 중요함을 보여주었다. 나아가 이 연구는 경제적 상호의존 이론을 국가 수준 분석에서 사례 수준 분석으로 전환시킴으로써 정제하였으며, 다중휴리스틱 이론의 보상 불가능 의사결정 규칙의 범계를 명확히 하였다. 또한 일반적인 경제 상호의존성이 구체적인 투자 정책 결정으로 어떻게 전환되는지를 보여줌으로써, 중요 인프라 부문에 대한 중국의 투자가 증가하고 있는 상황에서 서방 국가들의 경제 정책을 이해하는 데 실질적 함의를 제공하였다.
'논문(AI,DATA)' 카테고리의 다른 글
| [2026-04-03 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (1) | 2026.04.03 |
|---|---|
| [2026-04-02 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (0) | 2026.04.02 |
| [2026-03-31 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (0) | 2026.03.31 |
| [2026-03-30 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (1) | 2026.03.31 |
| [2026-03-27 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (1) | 2026.03.27 |